Big Data im Einzelhandel an Hand des Tante Emma Ladens erklärt (1)

Einfache Beispiele zeigen, dass Big Data gar nicht so kompliziert ist.

Fangen wir einmal ganz von vorne an. Was wir heute als Big Data verstehen, ist natürlich nichts Neues. Im Tante Emma Laden an der Ecke existiert das seit jeher. Anhand von verständlichen Beispielen möchte ich in diesem Beitrag Begriffe des Big Data auch für Einsteiger verständlich erklären.

Big Data ist oft mit dem Begriff „Massendaten“ übersetzt worden. Er bezeichnet letztendlich die Masse aller vorliegenden Daten, die ohne Ordnung, ohne Struktur (oder mit schwacher Struktur) anfallen. Darunter kann man sich unter Umständen wenig vorstellen, aber da hilft uns das Beispiel von Tante Emma mit ihrem Laden.

Nehmen wir an, Tante Emma steht alleine in ihrem Laden und organisiert alles vom Einkauf, Verkauf, Buchhaltung bis zur Steuererklärung selbst. Dann wäre Big Date in diesem Laden das Gedächtnis der Dame und ihre Aufzeichnungen.
Nehmen wir noch dazu an, die Tante Emma hätte das perfekte Gedächtnis. Wenn Sie einen Apfel verkauft, weiß Sie:

– wann und wo sie den Apfel zu welchem Preis eingekauft hat,

– wo der Apfel im Schaufenster lag,

– welchem Kind sie ihn erfolglos als Geschenk angeboten hat

– und wer in letztendlich gekauft hat.

Das weiß sie von jedem Artikel. Sie kennt alle Kunden, weiß was jeder Kunden gekauft hat, was sich jeder angesehen hat und dann doch zurückgelegt hat und wie die Kunden miteinander verwandt sind und wo sie wohnen, was sie arbeiten, welcher Schicht sie angehören und was sie für ein Auto fahren.

Diese chaotische Sammlung von Daten im Kopf unserer Tante Emma würde man zu Recht als Big Data bezeichnen.

In modernen großen Einzelhandelsbetrieben fallen letztendlich ebensolche Daten an den unterschiedlichsten Stellen an, sei es im Einkauf, in der Warenwirtschaft, im Kundenservice, an der Kasse, im Onlineshop sowie bei der Erfassung von Bewegungsprofilen im Geschäft oder in den Sozialen Medien.

Durch die Verschiedenartigkeit der Daten, der hohen Geschwindigkeit in der diese Massen an Daten anfallen und die unterschiedlichen Speicherorte und verschiedenen Formate sind die Daten aber nur schwierig auszuwerten. Folgende Techniken helfen dabei:

Kunden-Cluster

Damit man mit der Vielzahl der Daten über seine Kunden überhaupt arbeiten kann, fasst man die Kunden in Gruppen zusammen. Man bildet Kunden-Cluster. Tante Emma fasst ihre Kunden z.B. in folgende Gruppen zusammen.

1. Stammkunden, die mindestens einmal in der Woche kaufen
2. Spirituosenkunden, die fast nur Hochprozentiges bei ihr kaufen
3. Normalkunden, die ab und zu und dann auch nicht gerade viel einkaufen
4. Kindern, die sich Süßigkeiten holen
5. Laufkundschaft, die kommt und geht

Man sieht an Hand der Merkmale, die für die Gruppenzuordnung gewählt werden, dass hier verschiedene Parameter für die Gruppenzuordnung berücksichtigt werden. Bei Stammkunden bezieht man sich auf die Kauffrequenz, bei Spirituosenkunden auf den Warenkorb, bei Normalkunden auf eine Mischung aus Kaufrequenz und Bonwert, bei Kindern auf das Alter als Kundenmerkmal.

Dadurch kann ein Kunde aber durchaus in zwei Clustern vertreten sein, er kann z.B. Stammkunde und Spirituosenkunde sein. Daraus können sich Probleme ergeben, wenn eine Kampagne geplant wird. So möchte Tante Emma z.B. zu Weihnachten den Stammkunden eine Tafel Schokolade überreichen und den Spirituosenkunden einen Flaschenöffner. Bekommt unser Beispielkunde nun beides?

ABC-Analyse

Eine eindeutige Gruppenzuordnung lässt sich z.B. durch die ABC-Analyse vornehmen. Dabei werden die Kunden an Hand der getätigten Umsätze eines Zeitraumes in drei Gruppen ( A, B, C) eingeteilt. Hier im Beispiel teilt Tante Emma ihre Kunden in die besten 20 %, die mittleren 50% und die schwächsten 30% ein.
Sie hat ein gutes Gedächtnis und merkt bei der Summierung der Umsätze aller Gruppenmitglieder, dass die Gruppe A 52% ihres Gesamtumsatzes verursacht, die Gruppe B 37% und die Gruppe C nur 11%. Dieses als Pareto-Prinzip bekannte Phänomen macht ihr die Planung einer Weihnachtsaktion einfach.

Ihre A Kunden bekommen beim nächsten Einkauf als Geschenk einen Dresdner Christstollen, die B Kunden ein Lebkuchenherz und die C-Kunden nichts.

In der nächsten Woche erkläre ich Ihnen die Assoziationsanalyse, Next Best Offer, und Predictive Analytics anhand vom Tante Emma Laden.

von Marc Panzer